前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >hadoop系列之基础系列

hadoop系列之基础系列

作者头像
Spark学习技巧
发布2018-01-30 19:03:07
1.2K0
发布2018-01-30 19:03:07
举报
文章被收录于专栏:Spark学习技巧Spark学习技巧

一、Hadoop基础

1、分布式概念

通过爬虫-->爬到网页存储-->查找关键字

一台机器存储是有限的

Google采用多台机器,使用分布式的概念去存储处理

【关于计算】10TB数据,一台机器无法处理,可以用10台机器处理

每台机器可以处理1TB

Mapreduce额核心思想:分而治之

分为Map和Reduce

每个Map处理的数据是独立

Reduce就是合

10TB的数据“分”1TB,之后将结果“合”在一起存储

【关于存储】HDFS诞生-->分布式文件系统

数据存储在HDFS上,然后MapReduce进行处理HDFS上的数据

【分布式存储】分布式数据库:HBase

Google称它为:BigTable、DFS、MapReduce

【谷歌三驾马车】

2、Hadoop特性

可靠、可扩展、分布式计算框架

【存储的可靠性】:如果存储数据的机器损坏了

HDFS提供了一个策略,给数据提供一个副本数(默认三个)

牺牲了硬盘作为代价,但是是划算的

HDFS存储形式:以块存储

块损坏了,同样提供了一个策略,对每个存储文件会生产一个校验码,之后定期在对它生产一个校验码,进行匹配。如果不匹配,说明块已经损坏

【计算的可靠性】:

【可扩展性】可以添加任意的多台机器,添加配置

3、Hadoop四大核心模块介绍

Hadoop common支持其他模块的工具类,为Hadoop模块提供基础设置

Hadoop HDFS:分布式文件系统,提供存储

Hadoop YARN:任务调度和集群资源管理

Hadoop MapReduce:分布式离线计算框架

4、Hadoop HDFS构架解析

设计理念,一次写入,多次读取

分布式应用都有主从的构架:

主节点(领导者):namenode

从节点:datanode

HDFS存储的是文件,文件的属性有哪些:

名称、位置、副本数、权限、拥有者(权限)、存储的块....以上这些信息称之为:元数据(命名空间)

元数据给到namenode进行存储

文件具体存储在datanode上

HDFS以块的形式存储,块block,1系列中块的大小为64MB,2系列中默认大小为128MB

500MB的文件,块大小为256MB,第一个块大小为:256MB,第二个块大小为:244MB

对于HDFS文件系统来说

read读

write写

读取流程:

/user/beifeng/mapreduce/input/wc.input

首先需要知道这个文件的位置,需要先去找namenode

“就近原则”

客户端-->namenode

客户端-->datanode

写的过程:

/user/beifeng/mapreduce/onput/part-00000

客户端-->namenode

客户端-->datanode

数据流并没有经过namenode,是客户端直接和对datanode进行交互,缓解namenode 工作的压力

5、YARN构架解析

分布式框架,也是主从框架

主节点:ResourceManager管理整个集群资源

从节点:NodeManger

客户端提交应用给ResourceManager

资源在各个的NodeManager上

YARN如何调度任务

客户端-->submit Job任务-->ResourceManager

任务分为Map和Reduce,一个job有很多任务,如何管理?

每一个应用都有一个APPmstr应用管理者

对于任务进行管理、监控和调度

应用管理者:ApplicationMaster

一个Map是在单独的资源里运行,不会被其他的任务抢走资源

为了实现这样的目的,提出了一个概念【Container容器】:

将任务放在某一个空间里,这个空间就属于某个任务

Map和Reduce所需资源都会放在一个容器中

容器在NodeManager中,任务在容器中运行

小结YARN:通过每个应用的应用管理者申请资源然后封装在容器中,告诉资源管理者,然后容器中启动任务

Hadoop2系列才有的思想,Hadoop1系列设计比较冗余

二、HDFS

1、文件系统

1)NameNode

  • Namenode 是一个中心服务器,单一节点(简化系统的设计和实现),负责管理文件系统的名字空间(namespace)以及客户端对文件的访问;
  • 副本存放在哪些DataNode上由 NameNode来控制,根据全局情况做出块放置决定,读取文件时NameNode尽量让用户先读取最近的副本,降低带块消耗和读取时延;
  • Namenode 全权管理数据块的复制,它周期性地从集群中的每个Datanode接收心跳信号和块状态报告(Blockreport)。接收到心跳信号意味着该Datanode节点工作正常。块状态报告包含了一个该Datanode上所有数据块的列表。
  • 文件操作,NameNode 负责文件元数据的操作,DataNode负责处理文件内容的读写请求,跟文件内容相关的数据流不经过NameNode,只会询问它跟那个DataNode联系,否则NameNode会成为系统的瓶颈。

2)DataNode

  • 一个数据块在DataNode以文件存储在磁盘上,包括两个文件,一个是数据本身,一个是元数据(数据块的长度、校验和、时间戳);
  • DataNode启动后向NameNode注册,通过后,周期性(1小时)的向NameNode上报所有的块信息。
  • 心跳是每3秒一次,心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器,或删除某个数据块。如果超过10分钟没有收到某个DataNode 的心跳,则认为该节点不可用。
  • 集群运行中可以安全加入和退出一些机器

3)Block

  • 文件切分成块(默认大小128M),以块为单位,每个块有多个副本存储在不同的机器上,副本数可在文件生成时指定(默认3)
  • NameNode 是主节点,存储文件的元数据如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限),以及每个文件的块列表以及块所在的DataNode等等
  • DataNode 在本地文件系统存储文件块数据,以及块数据的校验和
  • 可以创建、删除、移动或重命名文件,当文件创建、写入和关闭之后不能修改文件内容。

4)数据损坏(curruption)处理

  • 当DataNode读取block的时候,它会计算checksum
  • 如果计算后的checksum与block创建时值不一样,说明该block已经损坏。Client读取其它DN上的block。
  • NameNode标记该块已经损坏,然后复制block达到预期设置的文件备份数
  • DataNode 在其文件创建后三周验证其checksum

2、初始化与启动

1)NameNode初始化(格式化)

  • 创建fsimage文件,存储fsimage信息
  • 创建edits文件

2)启动

  • NameNode加载fsimage和edits文件(到内存并保留),并生成新的fsimage和一个空的edits文件
  • DataNode向NameNode注册,发送Block Report

安全模式

安全模式下,集群属于只读状态。但是严格来说,只是保证HDFS元数据信息的访问,而不保证文件的访问,因为文件的组成Block信息此时NameNode还不一定已经知道了。所以只有NameNode已了解了Block信息的文件才能读到。而安全模式下任何对HDFS有更新的操作都会失败。对于全新创建的HDFS集群,NameNode启动后不会进入安全模式,因为没有Block信息。

3)Secondary NameNode(运行时定期合并edits文件至fsimage,避免意外宕机丢失edits)

3、编程API

代码语言:js
复制
package org.apache.hadoop.hdfs.crud;


import java.io.BufferedInputStream;

import java.io.FileInputStream;

import java.io.IOException;  


import org.apache.hadoop.conf.Configuration;  

import org.apache.hadoop.fs.FSDataInputStream;  

import org.apache.hadoop.fs.FSDataOutputStream;  

import org.apache.hadoop.fs.FileStatus;  

import org.apache.hadoop.fs.FileSystem;  

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.hdfs.DistributedFileSystem;

import org.apache.hadoop.hdfs.protocol.DatanodeInfo;

import org.apache.hadoop.io.IOUtils;  

  

  

public class HdfsCrud {  

	

    //文件系统连接到 hdfs的配置信息   

    private static Configuration getConf() { 

    	// 创建配置实例

        Configuration conf = new Configuration(); 

        // 这句话很关键,这些信息就是hadoop配置文件中的信息  

        conf.set("fs.defaultFS", "hdfs://ns1");  

        return conf;  

    }  

    

    /* 

     * 获取HDFS集群上所有节点名称信息   

     */  

    public static void getDateNodeHost() throws IOException {  

        // 获取连接配置实例

        Configuration conf = getConf();  

        // 创建文件系统实例

        FileSystem fs = FileSystem.get(conf);

        // 强转为分布式文件系统hdfs

        DistributedFileSystem hdfs = (DistributedFileSystem)fs;

        // 获取分布式文件系统hdfs的DataNode节点信息

        DatanodeInfo[] dataNodeStats = hdfs.getDataNodeStats();

        // 遍历输出

        for(int i=0;i<dataNodeStats.length;i++){  

            System.out.println("DataNode_"+i+"_Name:"+dataNodeStats[i].getHostName());  

        }

        // 关闭连接

        hdfs.close();

        fs.close();

    } 

    

    /* 

     * upload the local file to the hds  

     * 路径是全路径 

     */  

    public static void uploadLocalFile2HDFS(String s, String d)  throws IOException {  

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf); 

        // 创建路径实例

        Path src = new Path(s);  

        Path dst = new Path(d);  

        // 拷贝文件

        fs.copyFromLocalFile(src, dst); 

        // 关闭连接

        fs.close();  

    }  

      

    /* 

     * create a new file in the hdfs. 

     * notice that the toCreateFilePath is the full path 

     * and write the content to the hdfs file. 

     */  

    public static void createNewHDFSFile(String toCreateFilePath, String content) throws IOException {

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        

        // 创建输出流实例

        FSDataOutputStream os = fs.create(new Path(toCreateFilePath)); 

        // 写入UTF-8格式字节数据

        os.write(content.getBytes("UTF-8")); 

        

        // 关闭连接

        os.close();  

        fs.close();  

    }  

    

    /* 

     * 复制本地文件到HDFS(性能与缓存大小有关,越大越好,可设为128M)

     * notice that the toCreateFilePath is the full path 

     * and write the content to the hdfs file. 

     */  

    public static void copytoHDFSFile(String toCreateFilePath, String localFilePath) throws IOException {

    	// 读取本地文件

    	BufferedInputStream bis = new BufferedInputStream(new FileInputStream(localFilePath));

    	

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        // 创建HDFS输出流实例

        FSDataOutputStream os = fs.create(new Path(toCreateFilePath)); 

        


        // 两种方式其中的一种一次读写一个字节数组

		byte[] bys = new byte[128000000];

		int len = 0;

		while ((len = bis.read(bys)) != -1) {

			os.write(bys, 0, len);

			os.hflush();

		}

        

        // 关闭连接

        os.close();  

        fs.close();  

    }  

    

      

    /* 

     * read the hdfs file content 

     * notice that the dst is the full path name 

     * 读取文件,返回buffer【需要再print】

     */  

    public static byte[] readHDFSFile(String filename) throws Exception  {

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf); 

		

        // 创建路径实例

		Path readPath = new Path(filename);

		

        //  检查文件是否存在  

        if (fs.exists(readPath))  {  

            FSDataInputStream is = fs.open(readPath); 

            // 获取文件信息,以便确定buffer大小

            FileStatus stat = fs.getFileStatus(readPath);

            

            // 创建buffer

            byte[] buffer = new byte[Integer.parseInt(String.valueOf(stat.getLen()))];

            

            // 读取全部数据,存入buffer

            is.readFully(0, buffer);  

            

            // 关闭连接

            is.close();  

            fs.close(); 

            

            // 返回读取到的数据

            return buffer;  

        }else{  

            throw new Exception("the file is not found .");  

        }  

    }  

    /*

     * 直接读取、打印文件

     */

	public static void read(String fileName)throws Exception {

		// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf); 

		

        // 创建路径实例

		Path readPath = new Path(fileName);

		

		// 读取数据,打开流文件

		FSDataInputStream inStream = fs.open(readPath);

		

		try{

			// 读取流文件,打印,缓存4096,操作后不用关闭

			IOUtils.copyBytes(inStream, System.out, 4096, false);

		}catch(Exception e){

			e.printStackTrace();

		}finally{

			// close steam

			IOUtils.closeStream(inStream);

		}

	}

    

    /* 

     * delete the hdfs file  

     * notice that the dst is the full path name 

     * 删除HDFS文件

     */  

    public static boolean deleteHDFSFile(String dst) throws IOException {  

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        

        // 创建路径实例

        Path path = new Path(dst);

        

        // 删除文件,并返回是否成功

        @SuppressWarnings("deprecation")

		boolean isDeleted = fs.delete(path);  

        

        // 关闭文件连接

        fs.close();  

        

        // 返回操作结果

        return isDeleted;  

    }  

      

    /* 

     * make a new dir in the hdfs 

     * the dir may like '/tmp/testdir' 

     * 创建目录

     */  

    public static void mkdir(String dir) throws IOException  {  

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        

        // 创建路径

        fs.mkdirs(new Path(dir));  

        

        // 关闭文件连接

        fs.close();  

    }  

      

    /* 

     * delete a dir in the hdfs 

     * dir may like '/tmp/testdir' 

     * 删除目录

     */  

    @SuppressWarnings("deprecation")

	public static void deleteDir(String dir) throws IOException  {  

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        

        // 删除目录

        fs.delete(new Path(dir));  

        

        // 关闭文件连接

        fs.close();  

    }  

      

    /** 

    * @Title: listAll  

    * @Description: 列出目录下所有文件  

    * @return void    返回类型  

    * @throws 

     */  

    @SuppressWarnings("deprecation")

	public static void listAll(String dir) throws IOException { 

    	// 创建文件系统实例

        Configuration conf = getConf();  

        FileSystem fs = FileSystem.get(conf);  

        

        // 获取目录列表

        FileStatus[] stats = fs.listStatus(new Path(dir));  

        // 遍历打印

        for(int i = 0; i < stats.length; ++i) {  

            if (!stats[i].isDir()){  

                // regular file  

                System.out.println(stats[i].getPath().toString());  

            }else{  

                // dir  

                System.out.println(stats[i].getPath().toString());  

            }  

        }  

        

        // 关闭文件连接

        fs.close();  

    }

    

    public static void main(String[] args) throws Exception {

    	

        //getDateNodeHost(); 

    	

        //uploadLocalFile2HDFS("E:/1.txt","/tmp/1.txt");//E盘下文件传到hdfs上  

        

        //createNewHDFSFile("/tmp/create2", "hello"); 

    	copytoHDFSFile("/tmp/create2", "C://user_visit_action.txt"); 

    	//System.out.println(new String(readHDFSFile("/tmp/create2")));

        //readHDFSFile("/tmp/create2");

        //deleteHDFSFile("/tmp/create2");

          

        //mkdir("/tmp/testdir");  

        //deleteDir("/tmp/testdir");  

        listAll("/tmp/");

    }  

    

} 

三、YARN资源管理

1、各模块职能

2、内存、CPU资源

目前的CPU被划分成虚拟CPU(CPU virtual Core),这里的虚拟CPU是YARN自己引入的概念,初衷是考虑到不同节点的CPU性能可能不同,每个CPU具有的计算能力也是不一样的,比如某个物理CPU的计算能力可能是另外一个物理CPU的2倍,这时候,你可以通过为第一个物理CPU多配置几个虚拟CPU弥补这种差异。用户提交作业时,可以指定每个任务需要的虚拟CPU个数。

集群资源

代码语言:js
复制
 <property>

        <name>yarn.nodemanager.resource.memory-mb</name>

        <value>10240</value>

    </property>



    <property>

        <name>yarn.nodemanager.resource.cpu-vcores</name>

        <value>4</value>

    </property>

任务分配设置

代码语言:js
复制
<property>

		<name>yarn.scheduler.minimum-allocation-mb</name>

		<value>256</value>

	</property>

	<property>

		<name>yarn.scheduler.maximum-allocation-mb</name>

		<value>30720</value>

	</property>



	<property>

		<name>yarn.scheduler.minimum-allocation-vcores</name>

		<value>1</value>

	</property>

	<property>

		<name>yarn.scheduler.maximum-allocation-vcores</name>

		<value>12</value>

	</property>

四、MapReduce编程

1、简介

  • 一种分布式计算模型,解决海量数据的计算问题
  • MapReduce将整个并行计算过程抽象到两个函数
  • Map(映射):对一些独立元素组成的列表的每一个元素进行指定的操作,可以高度并行。
  • Reduce(化简):对一个列表的元素进行合并。
  • 一个简单的MapReduce程序只需要指定map()、reduce()、input和output,剩下的事由框架完成。

2、数据类型与编程格式

数据类型都实现Writable接口,以便用这些类型定义的数据可以被序列化进行网络传输和文件存储。

1)基本数据类型

  • BooleanWritable:标准布尔型数值
  • ByteWritable:单字节数值
  • DoubleWritable:双字节数值 FloatWritable:浮点数
  • IntWritable:整型数 LongWritable:长整型数
  • Text:使用UTF8格式存储的文本
  • NullWritable:当<key,value>中的key或value为空时使用

2)程序相关

Writable - value

  • write() 是把每个对象序列化到输出流。
  • readFields()是把输入流字节反序列化。

WritableComparable - key必须要实现

Java值对象的比较:重写 toString()、hashCode()、equals()方法

3)编程格式

MapReduce中,map和reduce函数遵循如下常规格式:

代码语言:js
复制
map: (K1, V1) → list(K2, V2)
reduce: (K2, list(V2)) → list(K3, V3)


Mapper的基类:
protected void map(KEY key, VALUE value, Context context) throws IOException, InterruptedException {
  
}

Reducer的基类:
protected void reduce(KEY key, Iterable<VALUE> values, Context context) throws IOException,InterruptedException {
}
Context是上下文对象

详细代码

}

详细代码源码请在公众号,输入:代码。获取

4)优化项

3、Shuffle与MapReduce的优化

http://blog.csdn.net/shubingzhuoxue/article/details/50241907

1)Shuffle

MapReduce确保每一个reduce的输出都按键排序,系统执行排序的过程---------将map输出作为输入传给reduce--------称为shuffle

Shuffle过程是MapReduce的”心脏”,也被称为奇迹发生的地方

>> 内存

默认情况下:100MB

环形缓冲区

当内存80 MB(80%)默认情况下,将会将数据spill(溢写)到本地磁盘目录中。

>> spill 磁盘

>>> 分区partitioner【默认按hashcode进行分区,可设置更改规则】

决定map输出的数据,被哪个reduce任务进行处理

>>> 排序sorter

依据key

会对分区中的数据进行排序

>>> 溢写spill

将内存数据写到本地磁盘

当map()处理数据结束以后,会输出很多文件,会将spill到本地磁盘的文件进行一次合并(过程中溢写文件超过一定数目也会进行多次合并,具体请参考hadoop权威指南)

>> merge 合并

>>> 将各个文件中各个分区的数据合并在一起

>>> 排序

最后形成一个文件,分区完成的,并且各个分区中的数据已经完成排序。

----(可选)

  • 每个map有一个环形内存缓冲区,用于存储任务的输出。默认大小100MB(io.sort.mb属性),一旦达到阀值0.8(io.sort.spill.percent),一个后台线程把内容写到(spill)磁盘的指定目录(mapred.local.dir)下的新建的一个溢出写文件。
  • 写磁盘前,要partition,sort。如果有combiner,combine排序后写数据。
    • partition的意义在于可以分区管理,分类导出数据;例如男女,我需要分成两个文件,我就可以设置partition来区分,reduceTask至少2个来分别运行
    • 运行conbiner的意义在于是map输出更紧凑,使得写到本地磁盘和传给reducer的数据更少
  • 等最后记录写完,合并全部溢出写文件为一个分区且排序的文件。

补充:

  • Reducer通过Http方式得到输出文件的分区。
  • TaskTracker为分区文件运行Reduce任务。复制阶段把Map输出复制到Reducer的内存或磁盘。一个Map任务完成,Reduce就开始复制输出。
  • 排序阶段合并map输出。然后走Reduce阶段。

2)MapReduce资源参数

  • Map默认CPU一个/内存1G/缓冲区100M/spill临界值0.8,Reduce默认CPU一个/内存1G/缓冲区200M;
  • 内存决定生死,CPU决定快慢
本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-10-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 浪尖聊大数据 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、Hadoop基础
  • 二、HDFS
  • 三、YARN资源管理
  • 四、MapReduce编程
相关产品与服务
容器服务
腾讯云容器服务(Tencent Kubernetes Engine, TKE)基于原生 kubernetes 提供以容器为核心的、高度可扩展的高性能容器管理服务,覆盖 Serverless、边缘计算、分布式云等多种业务部署场景,业内首创单个集群兼容多种计算节点的容器资源管理模式。同时产品作为云原生 Finops 领先布道者,主导开源项目Crane,全面助力客户实现资源优化、成本控制。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档